什麼是機器學習？
機器學習類型：兩種學習方法
演算法是機器學習背後的原動力。一般而言，現今使用兩種主要類型的機器學習演算法：監督式學習及非監督式學習。兩者的差別在於從資料中學習及預測的方式不同。
| 監督式機器學習 | 此類演算法是最常用的一種。在此模式下，數據科學家會指導並調教演算法，讓演算法做出結論。如同孩童學習不同水果的方式是記住圖畫書裡的各種水果一般，監督式學習的演算法是由已標示完成，且能預先定義輸出的資料組訓練的。 此類機器學習的例子包含線性及邏輯斯迴歸、多元分類和支援向量機等演算法。 |
| 非監督式機器學習 | 非監督式機器學習則更加獨立，由電腦學習定義出複雜的流程和模式，人類不會持續提供詳細的指導。非監督式機器學習則是使用未經標示或未定義輸出的資料訓練。 同樣以孩童學習方式來比喻的話，非監督式機器學習就好比孩童透過顏色和圖樣的觀察來學習不同種類的水果，而非透過老師的協助來記憶水果的名稱。孩童會找出圖像間的相似之處，將圖像分門別類，並以獨一無二的新標籤標示每一類別。非監督式機器學習的例子則包含K均值群聚演算法、主成分和獨立成分分析，及關聯規則演算法。 |
| 選擇一種模式 | 哪種機器學習的模式更符合您的需求呢？選擇監督式學習或非監督式學習，通常取決於您的資料量及結構，以及在何種情況下使用。機器學習已廣泛用於各種產業中，能支援各式企業目標及使用案例，包括：
|
機器學習和開發人員
開發人員在開始使用機器學習時，會倚賴其統計資料、機率以及計算過程，以順利建立隨時間學習的模型。有了這些領域的敏銳技術，開發人員應能夠學習許多其他開發人員用來訓練現代 ML 演算法的工具。開發人員也可決定其演算法是否要受到監督。開發人員可以於專案初期做決策及建立模型，然後讓模型在沒有更多開發人員進一步參與的情況下學習。
開發人員和資料科學家之間往往界定不清。有時開發人員會整合機器學習模型中的資料，而資料分析師則為終端使用者提供開發解決方案。這兩個領域之間的協作可讓 ML 專案更具價值且實用。
機器學習業務目標：建立客戶終生價值的模型
建立顧客終生價值模型對電商來說至關重要，不過在其他產業也同樣受用。企業在此模型下會運用機器學習演算法找出、深入了解並留住他們最有價值的顧客。此類價值模型會評估大量顧客資料，找出誰購買量最多、誰是品牌最忠實的支持者，或是哪位客戶同時具備上述特徵。
顧客終生價值模型在預測個別顧客在未來特定時間內，可能為企業帶來多少收入時格外有效。這些資訊讓企業可以將市場行銷的火力集中在高價值顧客上，鼓勵他們多與品牌互動。同時，顧客終生價值模型也能協助企業更精準地使用預算，以吸引與現有高價值顧客相似的新顧客。
透過學習建立客戶流失模型
要吸引新顧客較留住現有顧客並維持其滿意度耗時，所需經費也更多。顧客流失模型幫助企業辨別哪些顧客有可能停止合作，以及背後的原因。
從個別顧客的流失風險得分到以重要程度排序的流失驅動因素，有效的流失模型會運用機器學習演算法提供各式各樣的分析洞見。這些輸出分析對於發展演算法保留策略至關重要。
企業若能更深入了解顧客流失現象，便能提供最適合的折扣、採取最有效的電子郵件行銷活動，並實施其他高針對性的行銷計畫，讓高價值顧客不斷回購更多產品或服務。
現在的消費者面臨的選擇前所未有的多，而且他們能透過各種管道立即比價。動態定價也稱為按需求定價，企業能以此定價方式讓價格跟上不斷加速的市場變化。企業能透過此模型，根據各種因素為產品彈性定價，包括目標顧客對產品多有興趣、購買當下的需求量，及顧客是否受到行銷活動影響等。
要達到這麼高的企業靈活度，需要一套穩定的機器學習策略及大量資料，這些資料必須包含顧客在各種情境下，對商品或服務不同的購買意願。雖然動態定價模型要複雜可以很複雜，但航空公司及共乘服務供應商等企業都已成功實施動態定價最佳化策略，將營收最大化。
機器學習業務目標：透過客戶群鎖定客戶
成功的行銷手段不外乎是在對的時間為對的客戶提供最適合的產品。不久前，行銷人員在進行顧客分群時，還是仰賴直覺，將顧客分門別類並展開高針對性的行銷活動。
現在機器學習技術讓數據科學家可以用群集和分類演算法，根據特定的特徵將顧客分群。這些特徵包含了顧客在多種層面上的差異，如人口結構、網路瀏覽行為及偏好。懂得善用資料的公司若將這些特徵與購買行為模式連結起來，便能推出高度個人化的市場行銷活動，較一般行銷活動能更有效提高銷量。
隨著企業能支配的資料量增加，演算法也會變得更加成熟，企業便能夠推出更加個人化的行銷活動，讓業務瞄準的客群更接近理想客群。
機器學習業務目標：發揮影像分類的力量
機器學習能支援各式使用案例，不只局限於零售、金融服務和電商。應用於科學、醫療保健、建築、能源上更是潛力無窮。舉例來說，圖像分類技術即運用機器學習算法，根據一套固定的分類法，為所有輸入的圖像標上標籤。企業可以使用此技術基於平面設計圖模擬 3D 建築計畫，強化社群媒體的圖像標示功能，甚至還能為醫學診斷提供相關資訊等。
神經網路等深度學習技術經常用於圖像分類，因為這類技術能在複雜的情況下有效地找到圖像中的相關特徵。比如這類技術能將圖像視角、光線、範圍或背景干擾都納入考慮，排除這些因素，給出具有高度關聯性、高品質的分析見解。
推薦引擎
推薦引擎對於向消費者交叉銷售及追加銷售非常重要，還能用來提供更佳的顧客體驗。
據 Netflix 估計，每年推薦引擎推薦的內容價值高達十億美元，Amazon 也稱其系統能提高 20% 到 35% 的年度銷售額。
推薦引擎運用機器學習演算法篩選大量資料，藉此預測某為顧客購買某件商品或喜歡其提供的內容的可能性有多高，接著為使用者提供客製化建議。高度客製化、與自身高度相關的體驗，能提高消費者參與度並減少顧客流失。
機器學習使用案例
許多重要的商業使用案例背後的關鍵技術都是機器學習。但機器學習技術如何帶來競爭優勢呢？實現自動化並縮短決策所需時間、加速轉換價值的過程便是機器學習最強大的功能之一。首先得從其提高企業能見度及強化合作說起。
「過去我們看到很多人無法彼此合作。」Oracle Analytics 產品策略副總理奇·克雷頓 (Rich Clayton) 說道。「在 Oracle Analytics Cloud 上導入機器學習技術，讓我們最終能系統化地完成工作，並且建造、訓練、部署這些資料模型。這是一個合作導向的工具，其價值在於加速流程、讓企業部門間攜手合作、提高品質並為大家提供可供部署的模型。」
舉例來說，一般財務部門經常需要進行例行重複變異數分析，比較現實情況與預測情況的不同。此類案例不大需要人類用智力來判斷，因此可以透過機器學習進行。
克雷頓指出：「運用機器學習技術，財務部門可以用更聰明的方式、更快地完成工作，只要做機器做不到的事即可。」
強大的預測能力
機器學習還有一項激勵人心的功能：它還能用於預測。過去企業做決策時，往往根據過去經驗得出結論。今天，機器學習運用大量分析技術來預測未來趨勢。企業不必仰賴過往數據，便能做出前瞻性、預防性的決策。
比如預測性維護讓製造商、能源公司及其他產業能夠掌握主動權，確保公司保持可靠穩定的最佳狀態。在數百口鑽井運作中的油田，機器學習技術可以找出近期可能出現故障的設備，並通知維修團隊提前處理。這樣的維修方次不但能將產量最大化，還能強化資產效能、延長正常運行的時間並延長使用壽命。同時還能將工人面臨的危險降至最低、減少負債，並更加遵循現行法規。
預測性維護對庫存控管亦有幫助。透過預測性維護避免突發的設備停機，讓企業可以更精準預測是否需要備用零件及維修，可以大幅減少資本及營運支出。